随着Internet网络应用范围的不断扩大,服务种类的不断增加,网络拥塞已经成为一个普遍而严峻的问题。在网络数据传输的过程中,TCP协议(Transmission Control Protocol)采用拥塞控制机制,根据网络条件来实时协同调整终端的传输速率,从而使得多个用户能同时分享可用的带宽。而语音和视频等应用采用UDP协议(User Data Protocol),它不采用任何端到端的拥塞控制机制,直接发送非响应流。但随着网络规模和用户数量的爆炸式增长,数据包丢失、延迟时间长等性能下降问题日趋严重,仅靠TCP拥塞控制机制无法再提供良好的服务,需要网络中间节点(例如路由器)采取一些主动队列管理(Active Queue Management, AQM)算法来配合终端系统的拥塞避免机制,控制目标是有效地检测和快速地控制网络拥塞。AQM算法检测拥塞信息,并显示或隐式地通知源端,以支持端到端的Internet拥塞控制机制,提高网络的服务质量。但随着网络的发展,AQM算法的性能要求也不断提高。首先,网络数据的传输时滞已经成为不可忽视的网络参数,它直接影响拥塞信息的反馈和控制机制的性能,AQM算法需要对其进行详细的分析。其次,当网络发生拥塞时,希望通过调节丢包率来防止拥塞的恶化,稳定队列长度到期望值,但是过大的调节动作会引起队列和时延抖动,因此控制动作的大小也是AQM算法需考虑的因素。再次,大量非响应数据流存在于网络中,它们干扰TCP流的正常传输,造成大量的数据包丢失,但这种干扰是必然存在的,AQM算法需要根据网络的变化,设计自适应较强的控制机制,将干扰对网络的影响尽量降低,当干扰较小或消失时,使网络功能尽快恢复正常。最后,网络拥塞控制是一个多目标的控制问题,而且各目标之间往往存在冲突,随着网络环境的不断变化,各个目标之间需要不断的协调和优化。目前,主动队列管理的滚动优化控制问题得到了理论和工程界的广泛关注,具有重要的理论意义与工程应用价值。本文的主要内容是主动队列管理的滚动优化控制。首先,针对网络变化复杂、存在严重干扰、时滞等特点,在预测控制理论的框架下,提出基于扩张网络模型的滚动优化控制主动队列管理方法。考虑网络存在的时滞,扩张TCP/AQM网络模型的状态方程,使其具有无时滞系统的一般描述形式。根据扩张的网络模型和状态估计器,预测瓶颈链路队列的未来动态特性,它是优化丢包率的基础；然后将拥塞控制的需求转化为优化目标函数,求解得到优化丢包率。另外,我们分析闭环系统的稳定性和鲁棒性。在NS2 (Network Simulator, version 2)仿真环境下,在单瓶颈和多瓶颈网络拓扑中,通过分析和仿真结果验证了所提出的AQM算法的稳定性,鲁棒性和抗干扰性能。随着网络时滞的增加,扩张模型和状态估计器的维数也相应地增加,使得控制器的实现复杂。为了降低滚动优化控制主动队列管理方法对时滞的依赖,本文提出基于时滞网络模型的滚动优化控制主动队列管理算法。考虑时滞系统的因果性,重新定义预测输出,根据带有输入时滞的网络模型设计预测模型和状态估计器,从而得到一种改进的基于时滞网络模型的滚动优化控制主动队列管理算法。同时分析给出保证闭环时滞系统稳定的充分条件,为算法的参数调节提供理论指导。另外在大时滞网络拓扑中,通过仿真分析系统的稳定性能、抗干扰性能进一步验证该算法的有效性。在无约束预测控制的理论框架下,前面我们分别提出了基于扩张网络模型和时滞网络模型的滚动优化控制主动队列管理方法,并分别给出了保证系统闭环稳定的条件。这种离线设计的控制器增益在一定程度上提高了控制系统的性能,对时滞进行了及时的补偿,使得队列长度较好地稳定在期望值附近。但网络环境变化复杂,存在严重干扰,我们希望通过在线滚动优化来进一步提高控制器的自适应性。另外,网络中的缓冲区队列长度、丢包率等物理量存在时域硬约束。因此,本文进一步讨论考虑系统约束的滚动优化控制主动队列管理方法,将带约束的网络优化问题转化为QP (Quadratic Programming)问题来求解。在NS2的底层实现了求解QP问题的功能,不但验证了算法的性能,而且分析了优化问题的计算负担对控制效果的影响。最后,本文将T-S模糊模型和滚动优化约束H∞控制方法结合在一起解决网络拥塞控制系统的干扰抑制问题。我们将非线性的TCP拥塞控制系统用T-S模型来描述,然后将针对线性系统提出的滚动优化H∞控制方法扩展到T-S模糊系统中,提出基于T-S模糊模型的滚动优化H∞控制方法。最后将该方法用于设计AQM鲁棒控制器,提高了网络系统的干扰抑制能力,降低了链路容量的不确定性对系统动态特性的影响。论文对所提出的各种主动队列管理算法都进行了详细的设计和分析,对不同的网络预测模型进行了多角度的对比和论证,并详尽地给出了参数调节的指导原则。为了验证各种主动队列管理算法的有效性及性能代价,对所提算法都给出仿真结果,从预测模型的选取、控制器参数选择、仿真环境构建等方面给出了系统的分析和讨论。结果表明,文中所提出的各种AQM方法的整体效果令人满意并具有各自的特点。本文的工作还需要进一步的研究和完善,计划继续开展的工作有：(1)将无约束的滚动优化控制主动队列管理算法嵌入到真实网络仿真平台中,得到更有价值的结果。(2)完善NS2的编译层,提高QP问题的在线求解速度。(3)完善TCP拥塞控制系统的T-S模糊模型,降低基于T-S模糊模型的滚动优化H∞控制方法的保守性。